1.前往钉钉后台创建对应消息应用

支持一键创建 配置应用名称即可

2.创建完成后获取到对应的ID,前往Hermes把对应的ID配置进入

3.测试效果

发现有thinking标志但是没有回复消息

查看日志发现Hermes版本过老 执行hermes update更新

仍旧无效 排查日志
2026-06-15 10:28:51,608 INFO gateway.platforms.dingtalk: [Dingtalk] _send_emotion: reply 🤔Thinking on msg=

怀疑可能是版本不兼容问题 执行降版本指令

/Users/mac/.hermes/hermes-agent/venv/bin/python -m pip install –force-reinstall –no-cache-dir dingtalk-stream==0.23.0

无效

原因:
# 安全：限制可与机器人交互的用户
DINGTALK_ALLOWED_USERS=user-id-1 用户ID错误导致

GATEWAY_ALLOW_ALL_USERS=true 取消白名单限制 消息回复正常

• LangChain 是地基。它定义了最基础的组件：什么是 Model，什么是 Prompt，什么是 Memory，什么是 Tool。
  • CrewAI 和 AutoGen 在底层大量复用了 LangChain 的概念（尤其是 CrewAI，它直接依赖 LangChain 的组件）。
  • 学习策略：只要懂了 LangChain 的核心概念（Chain, Agent, Tool），看 CrewAI 的代码就像看“封装好的高级脚本”，非常容易上手。
• LangGraph 是关键进化：它是 LangChain 团队为了解决复杂 Agent 流程控制而推出的新核心库，代表了从“链式（Chain）”到“图式（Graph）”的思维转变。

基础概念

1. 模型（Models）：LLM的“大脑”
   模型是LangChain的核心动力，负责理解文本、生成内容。LangChain支持几乎所有主流LLM（比如OpenAI、GPT-4、LLaMA、Claude等），并统一了调用接口。

两种核心模型类型：

LLM：输入文本，输出文本（比如GPT-3.5的text-davinci-003）。

ChatModel：输入“消息列表”（比如用户消息、系统提示），输出“消息”（更适合对话场景，比如GPT-4的gpt-4）。

作用：负责核心的“思考”和“生成”工作，是整个应用的“智能来源”。

2. 提示（Prompts）：给模型的“指令”
   提示词是告诉模型“该做什么”的指令。LangChain的PromptTemplate能帮你动态生成提示词，避免手动拼接字符串的麻烦。

示例：
如果你想让模型生成“给产品起名字”，可以定义一个模板：
PromptTemplate(input_variables=[“product”], template=”给一个{product}起3个有科技感的名字”)
当传入product=”智能手表”时，自动生成提示词：“给一个智能手表起3个有科技感的名字”。

作用：精准控制模型的输出，让模型按你的需求工作（比如摘要、翻译、问答等）。

3. 链（Chains）：组件的“连接器”
   单个模型+提示只能完成简单任务（比如生成一句话），但复杂任务需要多步操作（比如先翻译再总结）。链就是把多个组件（模型、提示、其他链）按顺序组合起来的工具。

常见链类型：

LLMChain：最基础的链，由“提示模板”+“模型”组成，直接输出结果。

SequentialChain：按顺序执行多个链（比如链1的输出作为链2的输入）。

RouterChain：根据输入内容“选择”不同的链执行（比如判断问题类型，再调用对应链）。

示例：用SequentialChain实现“先翻译英文到中文，再总结中文内容”：
链1（翻译）→ 链2（总结），输入英文，输出总结后的中文。

4. 记忆（Memory）：让模型“记住”历史
   默认情况下，LLM是“健忘的”——每次调用都是独立的，不知道之前的对话。记忆组件的作用是保存对话历史，并把历史内容“喂”给模型，让对话有连贯性。

常见记忆类型：

ConversationBufferMemory：简单保存所有对话历史（适合短对话）。

ConversationSummaryMemory：自动总结对话历史（适合长对话，避免内容过长）。

ConversationTokenBufferMemory：按“Token数量”保存历史（防止超过模型输入限制）。

示例：聊天机器人中，用ConversationBufferMemory保存“用户问了什么”和“AI答了什么”，每次新对话时，把历史内容和新问题一起传给模型，模型就知道上下文了。

5. 工具（Tools）：模型的“外挂能力”
   LLM的知识截止到训练数据（比如GPT-4截止到2023年10月），也不会实时计算、查天气。工具是模型可以调用的外部能力，帮模型弥补这些缺陷。

常见工具类型：

搜索引擎（比如Google Search，查实时信息）；

计算器（比如llm-math，做精确计算）；

数据库（比如SQL工具，查数据库数据）；

自定义函数（比如你自己写的“查天气”API）。

作用：让模型从“只能凭记忆回答”变成“能主动调用工具获取信息”。

6. 代理（Agents）：工具的“决策者”
   有了工具，谁来决定“什么时候用什么工具”？——代理。

代理是一个“决策者”：它会分析用户的问题，判断是否需要调用工具（如果需要，调用哪个工具），并根据工具返回的结果生成最终答案。

常见代理类型：

Zero-shot React Description：根据工具的“描述”直接决定调用（适合简单场景）；

Conversational React Description：带记忆的代理（适合对话场景，能结合历史决定调用）；

Structured Input：处理结构化输入（比如表格数据）的代理。

示例：用户问“今天北京的气温是多少？”
代理分析：“这个问题需要实时数据，模型不知道，所以调用天气工具”→ 调用工具获取气温→ 整理结果回答用户。